@MASTERSTHESIS{ 2016:521567282,
 	title = {Learning to recommend similar alternative products in e-Commerce catalogs},
 	year = {2016},
 	url = "http://tede.ufam.edu.br/handle/tede/5402",
 	abstract = "Nesse trabalho, descrevemos um novo m?todo que projetamos, implementamos e testamos para a tarefa de encontrar produtos que s?o alternativas similares a um dado produto em um cat?logo de um site de com?rcio eletr?nico. Nesse trabalho, consideramos como alternativas similares produtos que, apesar de n?o serem id?nticos a um produto de interesse, t?m caracter?sticas que os tornam boas alternativas a esse produto. Nossa motiva??o para esse trabalho ? poder recomendar produtos similares com base apenas nas suas caracter?sticas, sem a necessidade da utiliza??o do hist?rico de compras dos usu?rios. Assim, nesse trabalho lidamos com o chamado problema de cold start, que ? comumente encontrado em abordagens de recomenda??o, e que pode levar a perda de lucro em sites de com?rcio eletr?nico. Nosso m?todo, chamado GPClerk, utiliza Programa??o Gen?tica (GP) para aprender fun??es que comparam dois produtos, e dizem se estes s?o similares ou n?o. Essas fun??es s?o chamadas nesse trabalho de product comparison functions. Para tornar nosso m?todo vi?vel em um cen?rio t?pico de com?rcio eletr?nico, propomos tamb?m uma estrat?gia n?o supervisionada para gerar exemplos de treino a serem utilizados no processo de aprendizagem. Resultados de experimentos que executamos e descrevemos nessa disserta??o indicam que nosso m?todo ? capaz de gerar fun??es adequadas, e que nossa estrat?gia para gera??o autom?tica de dados de treino ? efetiva para essa tarefa.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}